論文の概要: A Digital Twin for Diesel Engines: Operator-infused Physics-Informed Neural Networks with Transfer Learning for Engine Health Monitoring
- arxiv url: http://arxiv.org/abs/2412.11967v2
- Date: Fri, 10 Oct 2025 16:54:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 00:38:44.903888
- Title: A Digital Twin for Diesel Engines: Operator-infused Physics-Informed Neural Networks with Transfer Learning for Engine Health Monitoring
- Title（参考訳）: ディーゼル機関用ディジタルツイン:エンジンの健康モニタリングのためのトランスファーラーニングを用いた運転者用物理インフォームニューラルネットワーク
- Authors: Kamaljyoti Nath, Varun Kumar, Daniel J. Smith, George Em Karniadakis,
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)とディープオペレータネットワーク(DeepONet)を組み合わせた新しいハイブリッドフレームワークを提案する。
本手法は,ニューラルネットワークのデータ駆動学習と組み合わせて,物理に基づくシステム知識を活用し,モデル適用性を向上させる。
本フレームワークは, 物理モデルとディープラーニングの柔軟性を組み合わせ, ディーゼルエンジン診断における一般化, 精度, 展開効率を大幅に向上させる。
- 参考スコア（独自算出の注目度）: 8.170475210242463
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Improving diesel engine efficiency, reducing emissions, and enabling robust health monitoring have been critical research topics in engine modelling. While recent advancements in the use of neural networks for system monitoring have shown promising results, such methods often focus on component-level analysis, lack generalizability, and physical interpretability. In this study, we propose a novel hybrid framework that combines physics-informed neural networks (PINNs) with deep operator networks (DeepONet) to enable accurate and computationally efficient parameter identification in mean-value diesel engine models. Our method leverages physics-based system knowledge in combination with data-driven training of neural networks to enhance model applicability. Incorporating offline-trained DeepONets to predict actuator dynamics significantly lowers the online computation cost when compared to the existing PINN framework. To address the re-training burden typical of PINNs under varying input conditions, we propose two transfer learning (TL) strategies: (i) a multi-stage TL scheme offering better runtime efficiency than full online training of the PINN model and (ii) a few-shot TL scheme that freezes a shared multi-head network body and computes physics-based derivatives required for model training outside the training loop. The second strategy offers a computationally inexpensive and physics-based approach for predicting engine dynamics and parameter identification, offering computational efficiency over the existing PINN framework. Compared to existing health monitoring methods, our framework combines the interpretability of physics-based models with the flexibility of deep learning, offering substantial gains in generalization, accuracy, and deployment efficiency for diesel engine diagnostics.
- Abstract（参考訳）: ディーゼルエンジンの効率を改善し、排出を削減し、堅牢な健康モニタリングを可能にすることは、エンジンモデリングにおける重要な研究トピックである。
システム監視におけるニューラルネットワークの利用の最近の進歩は有望な結果を示しているが、そのような手法は多くの場合、コンポーネントレベルの分析、一般化可能性の欠如、物理的解釈可能性に重点を置いている。
本研究では,物理インフォームドニューラルネットワーク(PINN)とディープオペレータネットワーク(DeepONet)を組み合わせて,平均値ディーゼルエンジンモデルにおける高精度かつ効率的なパラメータ同定を実現するハイブリッドフレームワークを提案する。
本手法は,ニューラルネットワークのデータ駆動学習と組み合わせて,物理に基づくシステム知識を活用し,モデル適用性を向上させる。
アクチュエータのダイナミクスを予測するためにオフライントレーニングされたDeepONetsを組み込むことで、既存のPINNフレームワークと比較してオンライン計算コストを大幅に削減できる。
異なる入力条件下でのPINNの再学習負担に対処するために,2つのトランスファーラーニング戦略を提案する。
(i)PINNモデルの完全オンライントレーニングよりも実行効率が良いマルチステージTLスキーム
(II)共有マルチヘッドネットワーク体を凍結し、トレーニングループ外のモデルトレーニングに必要な物理に基づく微分を計算する、数ショットのTLスキーム。
第2の戦略は、計算的に安価で物理ベースのアプローチでエンジンのダイナミクスとパラメータの同定を予測し、既存のPINNフレームワークよりも計算効率を向上する。
既存の健康モニタリング手法と比較して,本フレームワークは物理モデルと深層学習の柔軟性を組み合わせ,ディーゼルエンジン診断における一般化,精度,展開効率を大幅に向上させる。
関連論文リスト
- Brain-Inspired Online Adaptation for Remote Sensing with Spiking Neural Network [17.315710646752176]
本研究では、リモートセンシングのためのスパイキングニューラルネットワーク(SNN)に基づくオンライン適応フレームワークを提案する。
我々の知る限り、この研究はSNNのオンライン適応に最初に取り組むものである。
提案手法は、エッジデバイス上でのエネルギー効率と高速なオンライン適応を実現するとともに、軌道上の衛星やUAVにおけるリモートセンシングなどの応用に大きな可能性を秘めている。
論文 参考訳（メタデータ） (2024-09-03T08:47:53Z) - DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z) - Mobile Traffic Prediction at the Edge through Distributed and Transfer
Learning [2.687861184973893]
このトピックの研究は、異なるネットワーク要素からデータを収集することによって、中央集権的な予測を行うことに集中している。
本研究では,エッジ上で得られたデータセットを大規模計測キャンペーンで活用するエッジコンピューティングに基づく新しい予測フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-22T23:48:13Z) - Physics-informed neural networks for predicting gas flow dynamics and
unknown parameters in diesel engines [0.0]
目的は、エンジンのダイナミクスを評価し、未知のパラメータを"平均値"モデルで識別し、メンテナンス要件を予測することである。
PINNモデルは可変形状ターボチャージャーと排気ガス再循環を備えたディーゼルエンジンに適用される。
本研究は、PINNモデルに加え、ディープニューラルネットワーク(DNN)の利用を検討する。
論文 参考訳（メタデータ） (2023-04-26T19:37:18Z) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳（メタデータ） (2022-11-19T15:44:08Z) - Topics in Deep Learning and Optimization Algorithms for IoT Applications
in Smart Transportation [0.0]
この論文は、最適化アルゴリズムと機械学習の異なる手法をどのように活用してシステム性能を向上するかを考察する。
第1のトピックでは、分散ADMM方式を用いた最適な伝送周波数管理方式を提案する。
第2のトピックでは、共有自転車の需要予測にグラフニューラルネットワーク(GNN)を活用する。
最後のトピックでは、頻繁に車線変更行動が発生するハイウェイ交通ネットワークのシナリオについて考察する。
論文 参考訳（メタデータ） (2022-10-13T11:45:30Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Recursive Least-Squares Estimator-Aided Online Learning for Visual
Tracking [58.14267480293575]
オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。
これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。
我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
論文 参考訳（メタデータ） (2021-12-28T06:51:18Z) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - The training accuracy of two-layer neural networks: its estimation and
understanding using random datasets [0.0]
本研究では,空間分割に基づく新しい理論を提案し,ランダムデータセット上の2層ニューラルネットワークのトレーニング精度をトレーニングなしで推定する。
提案手法は,3つの引数のみを用いて,2種類のランダムデータセット上での2層完全連結ニューラルネットワークのトレーニング精度を推定する。
論文 参考訳（メタデータ） (2020-10-26T07:21:29Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z) - Indirect and Direct Training of Spiking Neural Networks for End-to-End
Control of a Lane-Keeping Vehicle [12.137685936113384]
生物学的シナプス可塑性に基づくスパイクニューラルネットワーク(SNN)の構築は、高速でエネルギー効率のよい計算を実現するための有望な可能性を秘めている。
本稿では,車線維持車両におけるSNNの間接的および直接的エンドツーエンドのトレーニング手法について紹介する。
論文 参考訳（メタデータ） (2020-03-10T09:35:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。